SOFTWARE AS A SERVICE UNTUK MACHINE LEARNING KLASIFIKASI CITRA DIGITAL

  Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014 ^{ISSN : 2 3 02- 3 80 5}

  masih bersifat khusus dan kurang fleksibel karena hanya digunakan untuk citra digital tertentu, aplikasi tersebut harus dibangun serta melalui proses instalasi pada komputer pengguna sebelum digunakan dan tidak dapat digunakan secara online di internet dan tidak multiuser. Dengan adanya permasalah tersebut, kami menganggap perlu melakukan penelitian berjudul “Software as a

  melalui proses seleksi fitur untuk mereduksi dimesinya, kemudian digunakan K-Nearest Neighbor (KNN) untuk klasifikasi. Penelitian ini membuktikan kelayakan dan efektivitas dari metode machine learning untuk

  Algorithm for the Classification of Lymph Node Metastasis in Gastric Cancer . Citra terlebih dahulu

  menggunakan algoritma Support Vector Machine (SVM) untuk klasifikasi citra mamografi dalam mengenali kanker payudara. Sebelum diklasifikasi, Citra terlebih dahulu melalui proses normalisasi, ekstraksi fitur menggunakan filter gabor dan reduksi dimensi citra menggunakan PCA [2]. Using the K-Nearest Neighbor

  Filter, PCA and Support Vector Machine . Penelitian ini

  sampulnya. Sebelum diolah menggunakan LVQ, citra terlebih dahulu dinormalisasi dan dikonversi menjadi citra biner [1]. Breast Tissue Classification Using Gabor

  Quantization (LVQ) untuk klasifikasi buku sesuai

  Penelitian ini bertujuan menerapkan teknologi SaaS untuk aplikasi machine learning klasifikasi citra digital agar aplikasi yang dibangun dapat digunakan oleh para peneliti citra secara multiuser dan tanpa proses instalasi aplikasi. Beberapa penelitian yang telah dilakukan menjadi ide dasar dalam penelitan ini. Implementasi Pengolahan Citra dan Algoritma LVQ untuk Pengenalan Pola Buku. Penelitian ini menggunakan Algoritma Learning Vector

  Digital”. Hasil penelitian ini diharapkan dapat membantu para peneliti klasifikasi citra digital tanpa harus membangun sendiri aplikasi setiap melakukan penelitian dengan fleksibilitas dalam hal kemudahan akses aplikasi, memilih algoritma klasifikasi dan dapat digunakan untuk berbagai objek citra digital.

  Service Untuk Machine Learning Klasifikasi Citra

  machine learning klasifikasi citra digital sebelumnya

  

SOFTWARE AS A SERVICE UNTUK MACHINE LEARNING

KLASIFIKASI CITRA DIGITAL

Andi Lukman

  layanan Teknologi Cloud Computing yang memudahkan pengguna menggunakan aplikasi secara online dimanapun dan kapanpun (selama ada koneksi internet) tanpa harus melakukan instalasi. Aplikasi berbasis SaaS dapat digunakan oleh beberapa pengguna dalam waktu bersamaan (multiuser). Penelitian-penelitan aplikasi

  Software as a Service (SaaS) merupakan salah satu

  Kata kunci: Software as a Service, Machine Learning, Klasifikasi Citra Digital.

  Machine Learning klasifikasi citra digital yang telah ada hanya dapat digunakan untuk kebutuhan khusus objek penelitian citra tertentu dan belum dapat digunakan secara online dan multiuser menggunakan web browser, hal ini mengurangi fleksibilitas para pengguna. Penelitian ini bertujuan menerapkan teknologi Software as a Service untuk machine learning klasifikasi citra digital agar aplikasi klasifikasi citra digital dapat digunakan oleh para peneliti citra secara multiuser dan tanpa proses instalasi aplikasi. Metode penelitian ini memanfaatkan data set citra digital Caltech 101 yang diambil dari Computational vision Institut Teknologi California. Aplikasi dibangun menggunakan bahasa pemrograman Java dimana untuk sisi client menggunakan Google Web Toolkit dan sisi server menggunakan Java Servlet yang kemudian dideploy ke Google App Engine. Algoritma yang digunakan adalah algoritma klasifikasi Machine Learning WEKA yaitu: Support Vector Machine, K-Nearest Neighbor, Naïve Bayes, C4.5 Decision Tree, Logistic Regression dan Random Forest. Fungsi aplikasi sebagai Software as a Service diuji menggunakan pengujian black box. Hasil penelitian memperlihatkan bahwa teknologi Remote Procedure Call dengan metode Asyncronous dapat diterapkan agar aplikasi dapat diakses secara online menggunakan web browser secara multiuser. Pengujian dilakukan oleh 4 pengguna yang secara bersamaan mengakses aplikasi pada komputer berbeda dengan fungsi-fungsi: login/logout, mengakses aplikasi tanpa instalasi hanya menggunakan web browser, menggunakan pra-proses data set dan menggunakan jenis algoritma machine learning yang sama dengan data set berbeda. Hasil pengujian memperlihatkan setiap fungsi sukses melewati tahap pengujian black box. Penelitian ini dapat disimpulkan bahwa teknologi Software as a Service dapat diterapkan pada machine learning klasifikasi citra digital.

   2) Abstrak

  

1)

, wanastimed@gmal.com

  Teknik Informatika STIMED Nusa Palapa

Jl. Urip Sumoharjo No. 20 Gedung Graha Pena Lt. 10 Makassar

Email : uke@stimednp.ac.id

   2) 1), 2)

  

1)

, Marwana

1. Pendahuluan

  Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014 ^{ISSN : 2 3 02- 3 80 5}

  API (Application Programming Interface) dalam bentuk SDK (Software Development Kit) yang bisa diunduh secara bebas. Selain itu, produk GAE sendiri juga bebas atau gratis untuk digunakan dengan batasan-batasan

  Learning untuk kebutuhan praproses, klasifikasi,

  memiliki sekumpulan algoritma standar Machine

  Analysis) merupakan perangkat lunak Data Mining yang

  Terdapat beberapa aplikasi machine learning yang telah dikembangkan oleh universitas-universitas ternama di dunia. Salah satu yang popular adalah machine learning WEKA. WEKA (Waikato Environment for Knowledge

  kebutuhan klasifikasi, metode Supervised Learning yang sering digunakan dimana program diberikan beberapa contoh data yang telah diketahui jenis/ klasifikasinya sebagai bahan pembelajaran atau pelatihan [12].

  Learning dan Reinforcement Learning. Khusus untuk

  sehingga biasa juga diistilahkan dengan learn from data [11]. Secara garis besar ada 3 jenis metode belajar yang digunakan yaitu: Supervised Learning, Unsupervised

  Machine learning membutuhkan data untuk belajar

  atau komputer dapat belajar dari pengalaman atau bagaimana cara memprogram mesin untuk dapat belajar.

  Gambar 2. Arsitektur penanganan permintaan GAE Machine learning mempelajari bagaimana sebuah mesin

  khususnya penanganan permintaan (request handling) secara umum dapat dilihat pada Gambar 2 [10]. Saat ini, untuk menggunakan GAE, anda dapat menggunakan empat macam bahasa pemrograman, yaitu JAVA, PHYTON, GO dan PHP. Khusus untuk teknologi Java yang umum dipakai di GAE adalah Servlet dan JSP.

  user dapat menggunakan versi berbayar. Arsitektur GAE

  tertentu, resources yang tersedia sudah mencukupi. Jika membutuhkan tambahan sumber daya sesuai keinginan,

  resources yang diberikan, namun dalam beberapa hal

  Google App Engine (GAE) menyediakan sekumpulan

  diagnosa kelenjar getah bening metastatis pada kanker lambung menggunakan data GSI [3]. Comparing Image

  digunakan dimanapun dan kapanpun (selama terdapat akses ke internet) dengan syarat-syarat tertentu yang sudah di tentukan oleh penyedia jasa. Posisi atau layer SaaS dalam teknologi Cloud Computing [9] dapat dilihat pada Gambar 1. Pihak developer tidak perlu berinvestrasi pada lapisan-lapisan yang ada di bawahnya untuk membangun aplikasi berbasis SaaS, cukup menggunakan Platform as a Service (PaaS) yang telah tersedia di internet. Salah satu PaaS yang dapat digunakan adalah layanan Google App Engine (GAE) dari google.

  service dalam bentuk software yang sudah jadi dan dapat

  bentuk layanan Cloud Computing. SaaS menyediakan

  Gambar 1. Arsitektur Layer Cloud Computing Software as a Service (SaaS) merupakan salah satu

  teknologi SaaS untuk manajemen data penelitan, seperti kemudahan akses data antar para peneliti atau fasilitas- fasilitas penelitian [8].

  Data Scientists . Penelitian ini menawarkan solusi

  mengimplementasikan aplikasi WEKA untuk klasifikasi dan membandingkan performa waktu learning dan ketepatan klasifikasi beberapa Algoritma Machine Learning [7]. Penelitian-penelitian tersebut dapat digunakan untuk klasifikasi citra digital, namun tidak memiliki fleksibilitas dalam hal pengaksesan aplikasi. Penelitian lain yang dapat dijadikan ide untuk melengkapi hal tersebut yaitu Software as a Service for

  handwriting digital [6]. Analysis of Machine Learning Algorithms using WEKA. Penelitian ini

  klasifikasi, agar data set yang mempunyai banyak fitur. Percobaan menggunakan seleksi fitur dengan menggunakan data set iris, lung cancer dan semeion

  Network . Penelitian ini menggabungkan algoritma Random Forest dan Neural Network untuk kebutuhan

  yang paling akurat dalam memprediksi mahasiswa non- aktif pada perguruan tinggi. Data set yang digunakan sebanyak 3861 mahasiswa Universitas Dian Nuswantoro terdiri dari data demografi dan akademik [5]. Seleksi Fitur Menggunakan Random Forest Dan Neural

  bayes dan neural network untuk mendapatkan algoritma

  KNN dan SVM menggunakan model Bag of Word (BoW). Dengan menggunakan model BoW, SVM lebih unggul dari KNN [4]. Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif. Penelitian ini membandingkan 4 algoritma data maining yaitu logistic regression, decision tree, naïve

  Classification Methods: K-Nearest-Neighbor and Support-Vector-Machines . Penelitian ini mencoba

  pengelompokan, regresi, Association Rules Mining (ARM) dan visualisasi [7]. WEKA menyediakan Library pada kelas weka.classifiers yang dapat langsung digunakan dalam pemrograman Java [13]. Setiap data yang akan diolah menggunakan Machine Learning WEKA, harus memenuhi standar dataset dari kelas

  Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014 ^{ISSN : 2 3 02- 3 80 5} weka.core.Instance . Setiap instan memiliki beberapa

  atribut. Domain dari atribut dapat berupa Nominal (Misalnya : ya dan tidak), Numerik (bilangan bulat dan pecahan), String, Date (tanggal) dan Relasional. Dataset (Attribute

  ‐Relation File Format) yang terdiri dari dua

  bagian yaitu header (menjelaskan tipe atribut) dan bagian data (meliputi data yang dipisah dengan koma). Beberapa algoritma machine learning yang terdapat pada kelas tersebut antara lain : Support Vector Machine, K-

  Nearest Neighbor , Naive Bayes, C4.5 Decision Tree, Logistic Regression dan Random Forest.

  Penelitian ini menggunakan instrumen meliputi seperangkat komputer berbasis core i3 dan Perangkat lunak yaitu : Java2 SDK, Eclipse for Java EE Developer, Google Plugin for Eclipse, Google App Engine SDK, Google Web Toolkit dan Web Browser.

  Teknik pengumpulan data yang digunakan adalah Teknik Kepustakaan dengan mencari bahan-bahan yang berkaitan dengan materi penelitian, baik dari buku, jurnal dan internet. Data citra yang digunakan untuk data set latih, uji dan pengenalan citra adalah Caltech 101 yaitu kumpulan objek citra digital bertipe PNG berasal dari California Institute of Technology bagian penelitian

  computational vision yang diunduh dari http://www.vision.caltech.edu/Image_Datasets/Caltech1 01/ .

  Kesuksesan fungsi dari aplikasi sebagai SaaS akan diuji menggunakan metode black box testing sehingga dapat diketahui apakah aplikasi sukses berjalan sesuai yang diharapkan.

  4 memperlihatkan diagram kelas sistem yang dibangun. Terdapat 2 paket pada diagram tersebut yaitu paket

  Diagram kelas (class diagram ) berfungsi menggambarkan struktur dan deskripsi kelas dan paket beserta hubungan satu sama lain. Gambar

  Gambar 4. Diagram kelas aplikasi

2. Pembahasan

  Gambar 3. Arsitektur Aplikasi menggunakan teknologi SaaS

  machine learning klasifikasi citra Digital menggunakan

  algoritma-algoritma machine learning WEKA. Aplikasi berjalan di cloud sehingga dapat diakses secara

  multiuser . Desain arsitektur aplikasi dapat dilihat pada Gambar 3.

  aplikasi. kemudian aplikasi diuji kehandalannya sebagai SaaS.

  deployment , proses multiuser SaaS dan tampilan

  Pada bagian ini akan dibahas hasil penelitian yang terdiri dari rancangan arsitektur SaaS, diagram kelas, diagram

  Client dan Server dimana setiap paket terdiri dari

  beberapa kelas. Kelas-kelas pada paket Client dapat langsung dijalankan pada web browser pengguna (peneliti citra) karena dibuat menggunakan Google Web

  Toolkit (GWT) yang mengkonversi bahasa java menjadi java script sehingga dapat dijalankan di web browser.

  Sementara kelas-kelas pada paket Server hanya dapat dijalankan pada sisi server yaitu Servlet pada Google

  App Engine (GAE). Komunikasi antara client dan server

  dijembatani oleh interface ImageMLService dan ImageMLServiceAsync. Diagram Deployment menggambarkan konfigurasi komponen pada saat instalasi aplikasi. Diagram ini juga menunjukkan tata letak sistem secara fisik, menampilkan bagian-bagian perangkat lunak yang berjalan pada bagian-bagian perangkat keras. Diagram ini sangat tepat digunakan untuk memodelkan sistem client/server. Gambar 5 menunjukkan diagram deployment sistem yang dibangun. Beberapa client (multiuser) dapat mengakses aplikasi menggunakan browser, dimana aplikasi ditampilkan dalam bentuk java script yang telah

  Penelitian ini menerapkan teknologi SaaS pada aplikasi

  ISSN : 2 3 02- 3 80 5 Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014

  dikonversi oleh Google Web Toolkit. Client meminta layanan ke server (dalam hal ini Google App Engine) menggunakan teknik Remote Procedure Call (RPC), kemudian server mengelola permintaan tersebut oleh Blobstore, sementara data set akan disimpan oleh

  Datastore . Setelah selesai memproses permintaan client,

  akan mengembalikan hasil pengolahan data ke

  server client dan ditampilkan pada web browser.

  Gambar 5. Diagram Deployment sistem

  Kehandalan aplikasi berbasis Software as a Service

  Gambar 6. Tampilan Halaman Overview

  (SaaS), salah satunya adalah kemampuan dalam melayani pengguna secara multiuser. Diagram class pada Pada halaman setting & pra-processing, pengguna

  Gambar 4 memperlihatkan teknologi interface yang memasukkan identitas citra digital yang akan dikenali menjembatani antara paket client dan paket server. Paket

  (relation), kemudian mengunggah beberapa citra digital

  Client meminta layanan (request) kepada Paket Server

  untuk bahan pelatihan dan pengujian. Setiap citra digital melalui interface ImageMLService dan tersebut mengalami praproses berupa normalisasi dan

  ImageMLServiceAsync . Layanan permintaan seperti ini bag of words , Tampilan halaman tersebut dapat dilihat

  menggunakan teknologi Remote Procedure Call (RPC). pada Gambar 7. RPC menggunakan metode Asyncronous, dimana client tidak perlu menunggu sampai server melayaninya karena dapat menyebabkan browser hang jika server sangat sibuk. Client cukup mengirim permintaan ke server kemudian memutuskan koneksi sambil menanti kiriman hasil pengolahan data dari server. Jika server telah siap dan selesai memproses permintaan dari client, secara otomatis server mengirimkan kembali hasil pengolahan data tersebut ke client. Kecepatan dan kehandalan dalam memproses permintaan client bergantung pada server

  google yang berada dibanyak tempat dan terkoneksi di

  seluruh dunia. Kemampuan inilah yang membuat aplikasi machine learning yang dibangun dapat diakses secara bersamaan oleh banyak pengguna (multiuser) dengan kecepatan proses yang handal. Gambar 5 memperlihatkan aplikasi yang dibangun secara fisik menerapkan teknik multiuser SaaS pada Platform as a

  Service (PaaS) Google App Engine.

  Aplikasi dapat diakses melalui http://gcdc2013-

  Gambar 7. Halaman Setting & Pra-Processing imageml.appspot.com/ dan tampilannya dapat dilihat

  pada Gambar 6, dimana terdiri dari Sign in (login), Halaman training, testing & recognizing digunakan

  overview , setting & pra-processing dan “training, testing

  untuk proses pelatihan dan pengujian dataset

  & recognizing ”. Halaman Overview menjelaskan tentang menggunakan algoritma-algoritma machine learning.

  ruang lingkup aplikasi dan cara menggunakannya. Setiap Pengguna dapat memilih algoritma yang mempunyai pengguna wajib memiliki Google account untuk sign in persentasi keberhasilan tertinggi untuk digunakan dalam agar dapat menggunakan aplikasi. mengenali citra digital. Gambar 8 memperlihatkan halaman tersebut.

  Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014 ^{ISSN : 2 3 02- 3 80 5}

  Sukses

  No. Jenis Input Output yang diharapkan Hasil

  1 Pengguna 1 melakukan praproses data set citra wajah dalam waktu bersamaan dengan ketiga pengguna lainnya

  Pengguna

  1 berhasil melakukan praproses data set citra wajah

  Sukses

  2 Pengguna 2 melakukan praproses data set citra kupu-kupu dalam waktu bersamaan dengan ketiga pengguna lainnya

  Pengguna

  2 berhasil melakukan praproses data set citra kupu- kupu

  3 Pengguna 3 melakukan praproses data set citra bunga matahari dalam waktu bersamaan dengan ketiga pengguna lainnya

  browser sudah sesuai dengan harapan.

  Pengguna

  1 berhasil melakukan praproses data set bunga matahari

  Sukses

  4 Pengguna 4 melakukan praproses data set citra cangkir dalam waktu bersamaan dengan ketiga pengguna lainnya

  Pengguna

  2 berhasil melakukan praproses data set citra cangkir

  Sukses Hasil pengujian pada Tabel 3 memperlihatkan bahwa fungsi praproses data set citra dapat diakses secara bersamaan berjalan sesuai dengan harapan. Hasil pengujian pada Tabel 4 memperlihatkan bahwa fungsi menggunakan jenis algoritma yang sama secara

  multiuser berjalan sesuai dengan harapan.

  Tabel 3. Hasil pengujian black box menggunakan praproses data set citra secara bersamaan

  Sukses Hasil pengujian pada Tabel 2 memperlihatkan bahwa fungsi akses tanpa instalasi dan hanya menggunakan web

  Gambar 8. Halaman Training, Testing & Recognizing

  password

  Pengujian black box untuk aplikasi sebagai SaaS dilakukan agar dapat diketahui bahwa aplikasi yang telah dibangun sukses menerapkan teknologi SaaS sesuai yang diharapkan. Pengujian ini dilakukan oleh 4 pengguna yang secara bersamaan menggunakan aplikasi pada komputer berbeda, yaitu : arkanialmahdi, wanastimed,

  uke@stimednp.ac.id dan info@stimednp.ac.id . Fungsi-

  fungsi aplikasi yang diuji yaitu beberapa pengguna dapat: login dan logout secara bersamaan; menggunakan aplikasi tanpa instalasi, hanya menggunakan web browser; menggunakan praproses data set citra secara bersamaan; menggunakan jenis algoritma machine learning yang sama secara bersamaan.

  Tabel 1. Hasil pengujian black box untuk login dan logout secara multiuser

  No. Jenis Input Output yang diharapkan Hasil

  1 4 pengguna secara bersamaan mengakses aplikasi, menekan link

  Sign In dan

  memasukkan user dan

  akun google- nya Semua pengguna berhasil login secara bersamaan.

  masing tanpa instalasi aplikasi Semua pengguna berhasil dapat mengakses aplikasi secara bersamaan.

  Sukses

  2 4 pengguna secara bersamaan menekan

  link Sign Out

  Semua pengguna berhasil logout secara bersamaan..

  Sukses Hasil pengujian pada Tabel 1 memperlihatkan bahwa semua sub bagian yang ada pada modul login dan logout secara multiuser tersebut sudah sesuai dengan harapan.

  Tabel 2. Hasil pengujian black box untuk mengakses tanpa instalasi dan hanya menggunakan web browser

  No. Jenis Input Output yang diharapkan Hasil

  1 4 pengguna secara bersamaan mengakses aplikasi menggunakan

  web browser masing-

  Setiap bagian dari fungsi SaaS pada aplikasi telah sukses melewati tahap pengujian black box. Hal tersebut menandakan bahwa setiap fungsi aplikasi sebagai SaaS sudah sesuai dengan harapan.

  Se m ina r Na sio na l Te kno lo g i Info rm a si da n Multim e dia 2014 STMIK AMIKO M Yo g y a ka rta , 8 Fe b rua ri 2014 ^{ISSN : 2 3 02- 3 80 5}

  Maret, 2012. [8] Allen, Bryce, dkk., “Software as a Service for Data Scientists”,

  Informatika (SNIf), hal. 145-151, Okt. 19, 2012.

  [2] Hajare, Pravin S. dan Dixit, Vaibhav V, “Breast Tissue Classification Using Gabor Filter, PCA and Support Vector Machine”, International Journal of advancement in electronics and computer engineering (IJAECE) , Vol. 1 Issue 4, hal. 116- 119, Juli, 2012.

  [3] Li, Chao, dkk., “Using the K-Nearest Neighbor Algorithm for the Classification of Lymph Node Metastasis in Gastric Cancer”, Journal of Computational and Mathematical Methods in Medicine, Vol. 2012, hal. 1-11, Okt. 2012.

  [4] Kim, Jinho, dkk., “Comparing Image Classification Methods-K- Nearest-Neighbor and Support-Vector-Machines”, Proceedings of Applied Mathematics in Electrical and Computer Engineering , hal. 133-138,January 25-27, 2012.

  [5] Hastuti, Khafiizh, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif”, Proc.

  Semantik 2012 , hal. 241 - 249, Juni, 23, 2012.

  [6] Saputra, Wahyuni S.J, dkk., “Seleksi Fitur Menggunakan Random Forest Dan Neural Network”, Proc. IES 2011, hal. 93- 97, Oktober 26, 2011. [7] Desai, Aaditya, dan Rai, Sunil, “Analysis of Machine Learning Algorithms using WEKA”, Proc. ICWET 2012, hal. 27-32,

  Communications of The ACM , Vol. 55, No. 2, hal. 81–88, Februari, 2012.

  Penelitian ini berhasil menerapkan teknologi SaaS untuk aplikasi machine learning klasifikasi citra digital sehingga aplikasi dapat digunakan oleh para peneliti citra secara multiuser dan tanpa proses instalasi. Hal ini dibuktikan dengan pengujian black box pada setiap fungsi pemanfaatan SaaS pada aplikasi.

  [9] Furht, Borko dan Escalante, Armando, Handbook of Cloud Computing , New York: Springer Science+Business Media, 2010.

  [10] Sanderson, Dan, Programming Google App Engine, Second Edition, Sebastopal: O’Reilly Media Inc., 2013. [11] Alpaydin, Ethem, Introduction to Machine Learning, Second Edition, London: MIT Press, 2010. [12] Harrington, Peter, Machine Learning .in Action, , New York: Manning, 2012. [13] Witten, Ian H., dkk, Data Mining Practical Machine Learning

  Tools and Techniques, Third Edition, Burlington: Morgan Kaufmann Publishers, 2011.

  Biodata Penulis Andi Lukman, S.Kom, M.T., memperoleh gelar Sarjana

  Komputer (S.Kom), Jurusan Teknik Informatika STMIK Dipanegara Makassar, lulus tahun 2000. Memperoleh gelar Magister Teknik (M.T.) Program Pasca Sarjana Magister Teknik Elektro Konsentrasi Teknik Informatika Universitas Hasanuddin (UNHAS) Makassar, lulus tahun 2013. Saat ini menjadi Dosen di STIMED Nusa Palapa Makassar.

  Marwana, S.Kom, M.T., memperoleh gelar Sarjana

  Komputer (S.Kom), Jurusan Manajemen Informatika STMIK Dipanegara Makassar, lulus tahun 2002. Memperoleh gelar Magister Teknik (M.T.) Program Pasca Sarjana Magister Teknik Elektro Konsentrasi Teknik Informatika Universitas Hasanuddin (UNHAS) Makassar, lulus tahun 2013. Saat ini menjadi Dosen di STIMED Nusa Palapa Makassar.

  Daftar Pustaka [1] Lukman, Andi, “Implementasi Pengolahan Citra dan Algoritma LVQ Untuk Pengenalan Pola Buku”, Seminar Nasional

  Sukses

  Tabel 4. Hasil pengujian black box menggunakan jenis algoritma yang sama secara multiuser

  Semua pengguna berhasil menggunakan algoritma C4.5

  No. Jenis Input Output yang diharapkan Hasil 1 4 pengguna secara bersamaan menggunakan algoritma SVM dengan data set berbeda

  Semua pengguna berhasil menggunakan algoritma SVM.

  Sukses 2 4 pengguna secara bersamaan menggunakan algoritma Naïve

  Bayes dengan data

  set berbeda Semua pengguna berhasil menggunakan algoritma Naïve

  Bayes

  Sukses 3 4 pengguna secara bersamaan menggunakan algoritma C4.5 dengan data set berbeda

  Sukses 4 4 pengguna secara bersamaan menggunakan algoritma KNN dengan data set berbeda

  Random Forest

  Semua pengguna berhasil menggunakan algoritma KNN

  Sukses 5 4 pengguna secara bersamaan menggunakan algoritma Logistic

  Regression dengan

  data set berbeda Semua pengguna berhasil menggunakan algoritma

  Logistic Regression .

  Sukses 6 4 pengguna secara bersamaan menggunakan algoritma Random

  Forest

  dengan data set berbeda Semua pengguna berhasil menggunakan algoritma